CN115314345B - 数据处理方法、装置、电子设备及存储介质 - Google Patents
数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115314345B CN115314345B CN202210945441.3A CN202210945441A CN115314345B CN 115314345 B CN115314345 B CN 115314345B CN 202210945441 A CN202210945441 A CN 202210945441A CN 115314345 B CN115314345 B CN 115314345B
- Authority
- CN
- China
- Prior art keywords
- matrix
- tendency
- merging
- matrices
- matrixes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003672 processing method Methods 0.000 title abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 681
- 238000000034 method Methods 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 22
- 238000005259 measurement Methods 0.000 description 19
- 238000004891 communication Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/024—Channel estimation channel estimation algorithms
- H04L25/0242—Channel estimation channel estimation algorithms using matrix methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L25/00—Baseband systems
- H04L25/02—Details ; arrangements for supplying electrical power along data transmission lines
- H04L25/0202—Channel estimation
- H04L25/021—Estimation of channel covariance
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
Abstract
本申请提供一种数据处理方法、装置、电子设备、存储介质及程序产品,涉及计算机技术领域。该方法在进行矩阵合并时,通过利用对数据处理结果的准确性正面影响更大的倾向矩阵与另一个次倾向矩阵的相关性来确定合并系数,利用合并系数进行合并,这里可以根据合并中的倾向性,自适应计算出合并系数,使得合并后的结果能够更倾向于倾向矩阵,相比于按照设定权重进行矩阵合并的方式,本方案可以实现矩阵合并过程中的自适应权重调整,合并方式更合理,对后续处理结果的误差影响更小。
Description
技术领域
本申请涉及计算机技术领域,具体而言,涉及一种数据处理方法、装置、电子设备及存储介质。
背景技术
在现代通信***中,如长期演进(Long Term Evolution,LTE)、新无线(NewRadio,NR)以及无线保真(Wireless-Fidelity,WiFi)等,存在通过根据不同时频资源、信号等进行的测量,而最终需要将不同信号种类、不同信号位置上的测量结果进行整合,获取到最终的测量结果后,提供给后级处理。
以LTE/NR通信***中的信道测量为例,信道的测量包含对于不同收发天线端口的信道时频响应的测量、干扰幅度的测量等,此时会测量得到不同的协方差矩阵,如干扰噪声的统计协方差矩阵,表征信道天线/数据流相关性的信道协方差矩阵等,由于探测用的导频信号种类、位置有差异,在涉及多种以及多个估计结果时,需要对不同种类集合或位置集合上的协方差矩阵进行整合后得到最终的测量结果,最终的测量结果继续用于后续的处理。
目前对多个矩阵进行整合的方式一般是将多个矩阵进行加权求和,这种方式依赖权重的合理设置,如果权重设置得不当,会对最终合并结果造成较大的影响,如当其中某些矩阵具有较高的可靠性但是其具有较小的权重时,这种方式获得的合并结果会受到其余不可靠矩阵的影响,且当部分矩阵偏差较大且具有较大的权重时,这种方式也对最终合并结果有较大负面影响,从而导致对后续处理结果的影响。
发明内容
本申请实施例的目的在于提供一种数据处理方法、装置、电子设备及存储介质,用以改善现有的方式采用求和平均的方式对多个矩阵进行合并处理的方式不合理,导致对最终的合并结果的误差影响较大的问题。
第一方面,本申请实施例提供了一种数据处理方法,所述方法包括:
利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,其中,所述倾向矩阵是指两个矩阵中对数据处理结果的准确性正面影响更大的矩阵,所述次倾向矩阵是指所述两个矩阵中除所述倾向矩阵之外的另一个矩阵;
按照所述次倾向矩阵与所述倾向矩阵对应的合并系数将所述两个矩阵进行合并。
在上述实现过程中,该方法在进行矩阵合并时,通过利用对数据处理结果的准确性正面影响更大的倾向矩阵与另一个次倾向矩阵的相关性来确定合并系数,利用合并系数进行合并,这里可以根据合并中的倾向性,自适应计算出合并系数,使得合并后的结果能够更倾向于倾向矩阵,这里的倾向矩阵可以是指偏差较小或可靠性较高的矩阵,这样可使得最终合并结果的偏差更小、可靠性更高,即准确性更高,相比于按照设定权重进行矩阵合并的方式,本方案可以实现矩阵合并过程中的自适应权重调整,合并方式更合理,对后续数据处理结果的误差影响更小。
可选地,所述利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,包括:
计算所述倾向矩阵的范数,并获取该范数定义下所述倾向矩阵与所述次倾向矩阵的内积;
根据所述倾向矩阵的范数以及所述内积,计算获得所述倾向矩阵和所述次倾向矩阵对应的合并系数。
在上述实现过程中,通过获取范数和内积能够更好地获取两个矩阵之间的相关性,这样可以根据相关性来确定更合理的合并系数。
可选地,所述利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,包括:
对所述倾向矩阵进行特征分解,得到特征向量和特征值;
根据所述特征向量,将所述次倾向矩阵向所述倾向矩阵的特征方向上进行投影,获得投影矩阵;
根据所述特征值以及所述投影矩阵,计算获得所述倾向矩阵和所述次倾向矩阵对应的合并系数。
在上述实现过程中,通过获取投影矩阵,可以更准确地知晓两个矩阵之间的相关性大小,进而根据相关性可确定更合理的合并系数。
可选地,通过以下方式对所述两个矩阵进行预处理:
获取参与合并计算的两个初始矩阵;
若所述两个初始矩阵的维度不同,则确定所述两个初始矩阵中的最大维度,并将维度未达到所述最大维度的矩阵进行元素扩充,以使其矩阵的维度达到所述最大维度,获得元素扩充后的两个矩阵,和/或,若所述两个矩阵所属计算域不同,则将计算域为实数域的矩阵转换到复数域,获得复数域的两个矩阵。
在上述实现过程中,通过对矩阵的维度或计算域进行变换后进行合并,如此可使得该合并方法能适用于更多的矩阵合并场景。
可选地,各个矩阵的倾向性是基于获得各个矩阵时的统计样本数量确定的,或者,在各个矩阵为设备基于信道状态信息参考信号CSI-RS上的干扰信号测量结果获得的干扰噪声的统计协方差矩阵时,各个矩阵的倾向性是基于获得各个矩阵时的信噪比确定的。按照这种方式来确定矩阵的倾向性,如此可根据实际情况来确定矩阵的可靠性,使得最终的合并结果能够更倾向于可靠性高的矩阵,以获得更准确的合并结果。
在上述实现过程中,通过对矩阵的维度或计算域进行变换后进行合并,如此可使得该合并方法能适用于更多的矩阵合并场景。
可选地,所述两个矩阵为表征信号相关信息的矩阵或用于进行信号处理的矩阵。
可选地,所述两个矩阵为以下矩阵中的任意一种:
基于CSI-RS上的干扰信号测量结果获得的干扰噪声的统计协方差矩阵;
表征信道天线或数据流相关性的信道协方差矩阵;
信道估计得到的信道响应矩阵;
用于参数或信号降噪的滤波矩阵。
在上述实现过程中,本申请的合并方法可适用于各种场景下的矩阵合并方案。
可选地,在所述两个矩阵中的各个矩阵为干扰噪声的统计协方差矩阵时,得到合并矩阵之后,还包括:
根据所述合并矩阵获取所述干扰噪声的相关信息,所述相关信息包括幅度和/或方向。
第二方面,本申请实施例还提供一种数据处理方法,所述方法包括:
在对N个矩阵进行合并时,将所述N个矩阵按照倾向性由大到小进行排序,获得排序的N个矩阵,其中,所述倾向性表征对数据处理结果的准确性正面影响的大小,N为大于2的整数;
将排序的N个矩阵中的第i个矩阵确定为所述次倾向矩阵,并且,i依次从M个公差为1的序列中顺序取值,M为正整数,其中,第1个序列的起始值为2,第M个序列的结束值为N,第j个序列的结束值的取值范围为[2,N],第j+1个序列的起始值的取值范围为[1,N-1],第j+1个序列的起始值小于第j个序列的结束值,j依次取值为1至M;
当i第一次取值为2时,将排序的N个矩阵中的第1个矩阵确定为所述倾向矩阵,否则,将第k个矩阵最近一次合并得到的合并矩阵确定为所述倾向矩阵,并按照上述第一方面提供的方法对所述倾向矩阵和所述次倾向矩阵进行合并,得到合并矩阵,其中,k为i的上一个取值。
在上述实现过程中,若只有一个序列,则进行合并时是将矩阵按照倾向性大小依次进行合并,可使得最终的合并结果中更倾向于倾向性大的矩阵,即包含更多的倾向性大的矩阵的方向信息,如此可获得更准确的合并结果,避免了其余偏差较大的矩阵对合并结果有较大负面影响的问题。若有多个序列,则可在合并到中间某个矩阵后,返回继续迭代合并,这样可通过多次合并使得最终的合并结果更偏向某个矩阵的方向,如更偏向倾向性大的矩阵的方向,如此可使得最终合并结果中包含更多倾向大的矩阵的相关信息。
第三方面,本申请实施例提供了一种数据处理装置,所述装置包括:
合并系数确定模块,用于利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,其中,所述倾向矩阵是指两个矩阵中对数据处理结果的准确性正面影响更大的矩阵,所述次倾向矩阵是指所述两个矩阵中除所述倾向矩阵之外的另一个矩阵;
矩阵合并模块,用于按照所述次倾向矩阵与所述倾向矩阵对应的合并系数将所述两个矩阵进行合并。
第四方面,本申请实施例还提供了一种数据处理装置,所述装置包括:排序模块,用于在对N个矩阵进行合并时,将所述N个矩阵按照倾向性由大到小进行排序,获得排序的N个矩阵,其中,所述倾向性表征对数据处理结果的准确性正面影响的大小,N为大于2的整数;
取值模块,用于将排序的N个矩阵中的第i个矩阵确定为所述次倾向矩阵,并且,i依次从M个公差为1的序列中顺序取值,M为正整数,其中,第1个序列的起始值为2,第M个序列的结束值为N,第j个序列的结束值的取值范围为[2,N],第j+1个序列的起始值的取值范围为[1,N-1],第j+1个序列的起始值小于第j个序列的结束值,j依次取值为1至M;
合并模块,用于当i第一次取值为2时,将排序的N个矩阵中的第1个矩阵确定为所述倾向矩阵,否则,将第k个矩阵最近一次合并得到的合并矩阵确定为所述倾向矩阵,并按照上述第一方面提供的方法对所述倾向矩阵和所述次倾向矩阵进行合并,得到合并矩阵,其中,k为i的上一个取值。
第五方面,本申请实施例提供一种电子设备,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如上述第一方面提供的所述方法中的步骤。
第六方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如上述第一方面提供的所述方法中的步骤。
第七方面,本申请实施例提供一种计算机程序产品,包括计算机程序指令,所述计算机程序指令被处理器读取并运行时,执行第一方面提供的方法中的步骤。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种数据处理方法的流程图;
图2为本申请实施例提供的另一种数据处理方法的流程图;
图3为本申请实施例提供的一种数据处理装置的结构框图;
图4为本申请实施例提供的另一种数据处理装置的结构框图;
图5为本申请实施例提供的一种用于执行数据处理方法的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本发明实施例中的术语“***”和“网络”可被互换使用。“多个”是指两个或两个以上,鉴于此,本发明实施例中也可以将“多个”理解为“至少两个”。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
本申请实施例提供一种数据处理方法,该方法在进行矩阵合并时,通过利用对数据处理结果的准确性正面影响更大的倾向矩阵与另一个矩阵的相关性来确定合并系数,利用合并系数进行合并,这里可以根据合并中的倾向性,自适应计算出合并系数,使得合并后的结果能够更倾向于倾向矩阵,相比于按照设定权重进行矩阵合并的方式,本方案可以实现矩阵合并过程中的自适应权重调整,合并后的矩阵更准确,对后续计算影响更小。
请参照图1,图1为本申请实施例提供的一种数据处理方法的流程图,该方法包括如下步骤:
步骤S110:利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数。
其中,本申请实施例中,在对两个矩阵进行合并时,需要先确定各个矩阵的合并系数。两个矩阵可以是指任意两个需要进行合并的矩阵,在一些应用场景下,各个矩阵可以为表征信号相关信息的矩阵或用于进行信号处理的矩阵,如在通信应用场景下,信号相关信息的矩阵可如各种统计协方差矩阵、信道状态信息(Channel State Information,CSI)测量信息矩阵、信道响应矩阵等,用于进行信号处理的矩阵可如干扰噪声协方差矩阵、信道相关性矩阵、统计方向矩阵、滤波矩阵等。可以理解地,在不同应用场景下,可能需要将不同的矩阵进行合并然后进行后续计算的场景,所以,本申请的方法也可适用于其他应用场景下有矩阵需要合并的场景,而参与合并的矩阵也可以是各种类型的矩阵。
换言之,两个矩阵的类型在不同的应用场景下不同,这里举几个不同应用场景下的矩阵类型,如两个矩阵可以为以下矩阵中的任意一种:
基于信道状态信息-参考信号(Channel State Information-Reference Signal)CSI-RS上的干扰信号测量结果获得的干扰噪声的统计协方差矩阵;
表征信道填写或数据流相关性的信道协方差矩阵;
信道估计得到的信道响应矩阵;
用于参数或信号降噪的滤波矩阵,这里的参数可以是指信道的幅频响应、频偏、时偏等参数。
而在将两个矩阵进行合并时,可以先确定两个矩阵中的倾向矩阵和次倾向矩阵,倾向矩阵是指两个矩阵中对数据处理结果的准确性正面影响更大的矩阵,即倾向矩阵的准确性更大,而次倾向矩阵是指两个矩阵中除倾向矩阵之外的另一个矩阵,这样可以在后续确定合并系数时,为倾向矩阵分配更大的权重,使得最终合并后的结果也会包含更多倾向矩阵的信息,即最终合并后的结果也会更准确。
例如,两个矩阵包括矩阵1和矩阵2,在将矩阵1与矩阵2合并得到矩阵12的过程中,可先从矩阵1和矩阵2中确定出一个倾向矩阵,这里的倾向矩阵可以理解为是在合并后获得的矩阵12的方向信息更倾向于倾向矩阵,即对矩阵12的准确性正面影响更大的矩阵,若倾向矩阵为矩阵1,则次倾向矩阵为矩阵2,则获得的矩阵12中包含更多矩阵1的方向信息,如果矩阵1包含更多真实的信息,这样进行合并后可使得获得的合并结果也包含更多真实的信息。
步骤S120:按照次倾向矩阵与倾向矩阵对应的合并系数将两个矩阵进行合并。
上述的合并系数可以理解为两个矩阵时合并的权重,例如矩阵1和矩阵2合并时,根据两个矩阵之间的相关性可计算出两个矩阵各自的合并系数,如矩阵1对应合并系数a,矩阵2对应合并系数b,则合并矩阵12=矩阵1*a+矩阵2*b。
本方案中是以倾向矩阵为基准,利用两个矩阵之间的相关性,然后来确定合并系数,这样进行合并后获得的合并矩阵中会包含倾向矩阵更多的信息,如方向信息,如果倾向矩阵的可靠性更高,次倾向矩阵的可靠性如果比较低,则获得的合并矩阵的可靠性也会更高,而不会受到另一个可靠性低的次倾向矩阵的较大影响。
在上述实现过程中,该方法在进行矩阵合并时,通过利用对数据处理结果的准确性正面影响更大的倾向矩阵与另一个次倾向矩阵的相关性来确定合并系数,利用合并系数进行合并,这里可以根据合并中的倾向性,自适应计算出合并系数,使得合并后的结果能够更倾向于倾向矩阵,这里的倾向矩阵可以是指偏差较小或可靠性较高的矩阵,这样可使得最终合并结果的偏差更小、可靠性更高,相比于按照设定权重进行矩阵合并的方式,本方案可以实现矩阵合并过程中的自适应权重调整,合并方式更合理,对后续处理结果的误差影响更小。
在上述实施例的基础上,上述两个矩阵之间的相关性可采用范数内积来表征,所以在根据相关性确定合并系数的方式中,可以包括:计算倾向矩阵的范数,并获取该范数定义下倾向矩阵与次倾向矩阵之间的内积,根据倾向矩阵的范数以及内积,计算获得倾向矩阵和次倾向矩阵对应的合并系数。
例如,两个矩阵R1和R2,若倾向矩阵为R1,次倾向矩阵为R2,计算矩阵R1的范数||R1||,这里可以选择用矩阵的Frobenius范数,其计算公式如:
然后计算获得该范数定义下的倾向矩阵R1与次倾向矩阵R2之间的内积<R1,R2>,在Frobenius范数的定义下,将R1和R2之间的内积<R1,R2>定义为:
然后根据倾向矩阵的范数和内积的结果,可计算相应的投影系数,这里的投影系数即可理解为是合并系数,计算公式如下:
计算获得合并系数后,将这两个矩阵进行合并的计算公式如下:
R12=c1R1+c2R2。
可以理解地,上述的范数及其内积的表达形式可以根据实际情况灵活调整,不限定于上述的表达方式。
在上述实现过程中,通过获取范数和内积能够更好地获取两个矩阵之间的相关性,这样可以根据相关性来确定更合理的合并系数。
在另一些实施方式中,根据两个矩阵之间的相关性来确定合并系数的方式还可以通过对矩阵进行特征分解来获得,具体实现方式包括:对倾向矩阵进行特征值分解,得到特征向量和特征值,根据特征向量,将次倾向矩阵向倾向矩阵的特征方向上进行投影,获得投影矩阵,根据特征值以及投影矩阵,计算获得倾向矩阵和次倾向矩阵对应的合并系数。
以两个矩阵为协方差矩阵为例,即矩阵R1和矩阵R2是两个复数形式的协方差矩阵,若倾向矩阵为矩阵R1,次倾向矩阵为R2,首先将R1进行特征值分解,其分解方式如下计算公式所示:
其中,U1表示R1的特征向量构成的方阵,即U1可以理解为是特征向量,∑1表示U1中的特征向量所对应的非负特征值构成的对角矩阵,即特征值。
将矩阵R1进行特征分解后,将矩阵R2向矩阵R1的特征方向上进行投影,获得投影矩阵Q:
所以,矩阵R1与矩阵R2之间的相关性可以根据R1特征分解后获得的特征值和上述的投影矩阵Q中的列向量的范数来衡量,具体可通过以下公式获得合并系数:
其中,∑1,i,i表示∑1的第i行第i列元素,Qi,i表示Q的第i行第i列元素,∑k表示对角矩阵∑1中对角线元素之和。
然后将两个矩阵进行合并的计算公式如下:
R12=c1R1+c2R2。
上述方法进行特征值分解来获得合并系数的方法也可以推广到任意矩阵的合并,不一定是上述的协方差矩阵,对于任意维度相同的矩阵R1和R2也同样适用,如若矩阵R1为倾向矩阵,可以先对矩阵R1进行奇异值分解,如:
其中,U1和V1分别为R1的左右特征向量构成的矩阵,也可以称为特征向量,∑1为U1和V1中的特征向量对应的非0奇异值构成的对角矩阵,即特征值。
然后可将矩阵R2向U1和V1的方向上投影,获得投影矩阵:
然后计算合并系数:
其中,∑1,i,i表示∑1的第i行第i列元素,Qi,i表示Q的第i行第i列元素,∑k表示对角矩阵∑1中对角线元素之和。
然后将两个矩阵进行合并的计算公式如下:
R12=c1R1+c2R2。
在上述实现过程中,通过获取投影矩阵,可以更准确地知晓两个矩阵之间的相关性大小,进而根据相关性可确定更合理的合并系数。
在上述实施例的基础上,上述需要合并的两个矩阵可以是N个矩阵中的两个矩阵,也可以是N个矩阵中将两个矩阵进行初始合并后获得的中间合并矩阵与另一个矩阵,比如N为大于2的整数,N个矩阵包括矩阵1、矩阵2和矩阵3,上述实施例中的两个矩阵可以是指这三个矩阵中的任意两个需要合并的矩阵,或者,比如可以先将矩阵1与矩阵2进行合并,合并得到矩阵12,然后再将矩阵12与矩阵3合并,得到最终的合并矩阵,这种情况下,上述实施例中的两个矩阵即可以理解为是矩阵12和矩阵3。也就是说,上述实施例中的两个矩阵不仅仅可以理解为包含初始需要合并的矩阵,也可以包含合并过程中得到的中间合并矩阵。
在对N个矩阵进行合并时,为了获得更好的合并效果,还可以按照一定的顺序进行合并,具体实现方式包括:
方式(1):将N个矩阵按照倾向性由大到小进行排序,获得排序的N个矩阵,这里的倾向性可以理解为是表征对数据处理结果的准确性正面影响的大小,然后将排序的N个矩阵中的第i个矩阵确定为次倾向矩阵,其中,i依次取值为2到N,当i=2时,将排序的N个矩阵中第1个矩阵确定为倾向矩阵,并按照上述方法将倾向矩阵与次倾向矩阵进行合并,得到合并矩阵,当i>2时,将第i-1个矩阵合并得到的合并矩阵确定为倾向矩阵,并按照上述方法将倾向矩阵与次倾向矩阵进行合并,得到合并矩阵。
比如,在i的取值大于2时,此时可将前i-1个矩阵合并得到的合并矩阵与第i个矩阵进行合并,在合并到i=N时,得到最终的合并矩阵。
举例来说,对于N个矩阵,可先确定出每个矩阵的倾向性大小,然后按照倾向性由大到小的顺序或者由小到大的顺序进行排序,如N个矩阵包括4个矩阵,其按照倾向性由大到小的顺序排序为矩阵1-矩阵2-矩阵3-矩阵4,按照倾向性由小到大的顺序排序为矩阵4-矩阵3-矩阵2-矩阵1,此时可以理解为矩阵1对数据处理结果的准确性的正面影响最大,矩阵4对数据处理结果的准确性的正面影响最小,即矩阵1的准确性更大,后续进行合并后的结果也会更倾向于矩阵1,合并后的结果的准确性也更大。
针对倾向性由大到小的排序顺序进行合并时,可先将矩阵1与矩阵2进行合并,获得中间合并矩阵12,此时矩阵1与矩阵2合并时的倾向矩阵为矩阵1,次倾向矩阵为矩阵2,然后将中间合并矩阵12(即为第2个矩阵合并得到的合并矩阵)与矩阵3合并,获得中间合并矩阵123,一般来说,中间合并矩阵12为倾向矩阵,矩阵3为次倾向矩阵。当然也可采用其他方式来确定,比如此时这两个矩阵中的倾向性矩阵可以根据两个矩阵的倾向性来确定,中间合并矩阵12的倾向性可以为矩阵1和矩阵2的倾向性的平均值,或者是按照合并系数来确定倾向性的,如中间合并矩阵12的倾向性=矩阵1的倾向性*矩阵1的合并系数+矩阵2的倾向性*矩阵2的合并系数,然后将中间合并矩阵12的倾向性和矩阵3的倾向性进行比较,然后确定出其中的倾向矩阵和次倾向矩阵。
获得中间合并矩阵123后,可继续将中间合并矩阵123继续与矩阵4合并,得到最终的合并矩阵。对于中间合并矩阵123和矩阵4中的倾向矩阵和次倾向矩阵的确定方式也可按照上述同样的方式确定,可以理解地,中间合并矩阵的倾向性的确定方式可以根据实际需求灵活设置,并不限定上述的确定方式。
按照同样的方式,对于倾向性由小到大的顺序排序时,其合并的顺序可以是矩阵4与矩阵3合并获得中间合并矩阵43,此时倾向性矩阵为矩阵3,次倾向矩阵为矩阵4,然后将中间合并矩阵43(次倾向矩阵)继续与矩阵2(倾向矩阵)合并,获得中间合并矩阵432,继续将中间合并矩阵432(次倾向矩阵)与矩阵1(倾向矩阵)合并,得到最终的合并矩阵。
或者,合并的时候,也可以不按照顺序进行合并,只需要将任意两个矩阵合并后再与其余矩阵合并,直至合并完所有矩阵获得最终的合并矩阵即可。
上述方式中若将矩阵按照倾向性由大到小降序排列后进行合并,这样获得的最终合并结果中,最倾向于第一个矩阵的信息,其次是第二个矩阵,......。对于上述的合并过程可以采用下述函数进行表示:
Rout=f2(R1,R2);
R1和R2表示排序后的前两个矩阵,对于这两个矩阵的合并矩阵可以表示为Rout,2=f2(R1,R2),然后将Rout,2与矩阵R3合并,获得新的中间合并矩阵Rout,3=f2(Rout,2,R3),直至将N个矩阵合并完后得到最终的合并矩阵Rout,N,即对于任意的N个矩阵,有如下递归的合并方式:
最终的合并矩阵Rout=Rout,N。
可以理解地,上述的合并方式中,是按照排序顺序依次对矩阵进行合并,如此可有效合并倾向性大的矩阵中的相关信息,以更好地在最终的合并矩阵中保留更多倾向性大的矩阵的相关信息,更有利于后续的计算结果。
在上述实现过程中,将矩阵按照倾向性大小依次进行合并,可使得最终的合并结果中更倾向于倾向性大的矩阵,即包含更多的倾向性大的矩阵的方向信息,如此可获得更准确的合并结果,避免了其余偏差较大的矩阵对合并结果有较大负面影响的问题。
在实际应用中,还可以包括如下一些合并方式:
方式(2):可以不按照倾向性大小进行排序,而是可以由随机的排序顺序来依次按照上述方式进行合并,只要每次合并时,确定出其中的倾向矩阵和次倾向矩阵,然后按照两个矩阵的合并系数进行合并即可。
方式(3):按照倾向性大小进行排序或者也可以随机排序,然后将矩阵进行两两合并获得中间合并矩阵,然后再将中间合并矩阵进行合并。
例如,对于上述举例的4个矩阵,可以将矩阵1和矩阵2进行合并获得中间合并矩阵12,将矩阵3和矩阵4进行合并获得中间合并矩阵34,然后将中间合并矩阵12与中间合并矩阵34继续合并,获得最终的合并矩阵,当然,这里再将中间合并矩阵12与中间合并矩阵34进行合并时,一般可以将中间合并矩阵12确定为倾向矩阵,中间合并矩阵34确定为次倾向矩阵,当然也可依据上述获得倾向性的方式来确定其中的倾向矩阵和次倾向矩阵。或者,也可将矩阵1与矩阵3合并得到矩阵13,将矩阵2和矩阵4合并得到矩阵24,然后再将矩阵13和矩阵24合并,得到最终的合并矩阵,矩阵13和矩阵24中的倾向矩阵和次倾向矩阵可以依据两个矩阵的倾向性来确定。
可以理解地,在上述合并方式中,每个矩阵均只会参与一次合并,即一个矩阵只会与其余矩阵或者中间合并矩阵进行一次合并,不管何种合并方式,最后将N个矩阵全部进行合并即可。
而在另一些合并方式中,有的矩阵可以参与多次合并,本申请实施例还提供另一种数据处理方法,该数据处理方法可以称为矩阵合并的方式(4),如图2所示,包括如下步骤:
步骤S210:将N个矩阵按照倾向性由大到小进行排序,获得排序的N个矩阵。其中,倾向性表征对数据处理结果的准确性正面影响的大小,N为大于2的整数。
步骤S220:将排序的N个矩阵中的第i个矩阵确定为次倾向矩阵,并且,i依次从M个公差为1的序列中顺序取值,M为正整数,其中,第1个序列的起始值为2,第M个序列的结束值为N,第j个序列的结束值的取值范围[2,N],第j+1个序列的起始值的取值范围为[1,N-1],第j+1个序列的起始值小于第j个序列的结束值,j依次取值为1至M。
步骤S230:当i第一次取值为2时,将排序的N个矩阵中的第1个矩阵确定为倾向矩阵,否则,将第k个矩阵最近一次合并得到的合并矩阵确定为倾向矩阵,并按照上述实施例中的合并方式对倾向矩阵和次倾向矩阵进行合并,得到合并矩阵,其中,k为i的上一个取值。
其中,在M为1时,表示只有一个序列,如N等于4,则该序列则为(2,3,4),此时该合并方式退化为上述的方式(1),即每个矩阵参与一次合并。而在M大于1时,则有多个序列,在i取第j+1个序列中的起始值时,返回该起始值所对应的矩阵位置进行合并,此时第j+1个序列的起始值则表示矩阵返回迭代的矩阵位置(其小于第j个序列的结束值,表示返回迭代的矩阵排序在当前用于合并的矩阵之前)。该合并过程可以理解为是,将第k(i的上一个取值)个矩阵最近一次合并得到的矩阵(可以理解为是得到的中间合并矩阵)与i的当前取值对应的矩阵进行至少一次合并,得到合并矩阵后,继续与后面的次倾向矩阵进行合并。
这里的M个序列可以是预先设定好的,M个序列用于确定每次返回迭代合并的矩阵的位置和次数(如序列的起始值用于确定返回迭代的矩阵位置,序列的个数用于确定返回迭代的次数,序列的结束值用于确定需要返回迭代的中间合并矩阵)。
比如N等于4,排序后为矩阵1、矩阵2、矩阵3和矩阵4,假设第1个序列为(2,3),第2个序列为(1,2,3),第3个序列为(2,3,4),在i取第1个序列中的2时,则先将矩阵1与矩阵2合并,得到矩阵12,i取3时(k取2),将矩阵12(即表示第2个矩阵最近一次合并得到的中间合并矩阵)与矩阵3合并,得到矩阵123,然后i取第2个序列中的1(k取3),此时表示将返回到矩阵1中进行合并,即将矩阵123(即表示第3个矩阵最近一次合并得到的中间合并矩阵)与矩阵1合并,得到矩阵1231,然后i取2(k取1),将矩阵1231(即表示第1个矩阵最近一次合并得到的中间合并矩阵)继续与矩阵2合并,得到矩阵12312,然后继续按照第2个序列中i的取值进行合并,到第3个序列时,又可返回到矩阵2进行合并,然后继续往后合并,直至合并到矩阵4,得到最终的合并矩阵。当然,如果有很多序列,得到最终的合并矩阵后,还可继续返回合并,比如第4个序列为(3,4),则此时按照第3个序列合并完后,又返回到第3个矩阵进行合并。
也就是说,在该实施方式(4)中,可以如上述依次合并的方式(1)一样进行合并,只是在某次合并获得一个中间合并矩阵(如上述的矩阵12、矩阵123等)后,可以以该中间合并矩阵为初始矩阵继续返回前面某个矩阵的位置进行合并,而返回的次数在本方式中可不进行限制,且返回的矩阵位置也不进行限制,均可以根据实际需求灵活设置,当然也可不限定需要迭代合并的中间合并矩阵的位置,如也可以是在得到最终的合并矩阵1234后继续返回矩阵2的位置进行合并,需要迭代合并的中间合并矩阵的位置也可以根据实际需求灵活设置,即可以灵活设置在获得某一个中间合并矩阵后,返回到下一个序列的起始值对应的矩阵进行合并,而且合并过程中,也可以有多个中间合并矩阵需要返回合并,一个中间合并矩阵也可以返回合并多次,且每次返回的矩阵位置也可以不同。换言之,可以通过灵活设置上述的序列的个数以及每个序列的起始值、结束值来控制需要返回迭代合并的中间合并矩阵、以及需要返回迭代的矩阵位置、以及需要返回迭代的次数等。
在另一些实施方式中,也可以实时根据合并结果来确定是否需要返回迭代合并,如需要返回继续迭代合并的中间合并矩阵的确定方式也可以是根据其值来确定,比如如果某次合并获得中间合并矩阵后,若该中间合并矩阵的值不满足设定要求,则返回到设定的某个矩阵继续合并,如果满足设定要求,则不返回,继续往后进行合并。
需要说明的是,在上述方式(4)中,也可以不将N个矩阵按照倾向性大小进行排序,也可以将N个矩阵进行随机排序后按照上述方式(4)中的合并方式对N个矩阵进行合并。在这种方式中,每个矩阵可以参与多次合并,当然其中的中间合并矩阵也可参与多次合并,如每次返回迭代合并时,也可返回的是某个中间合并矩阵所在的位置,如中间合并矩阵123可返回与中间合并矩阵12进行合并,也就是说,返回合并的位置也不限定是之前合并的矩阵中的任一个矩阵所在的位置,也可以是之前合并的矩阵中的任一中间合并矩阵所在的位置。
在上述实现过程中,通过将中间合并矩阵返回继续迭代合并,这样可通过多次合并使得最终的合并结果更偏向某个矩阵的方向,如更偏向倾向性大的矩阵的方向,如此可使得最终合并结果中包含更多倾向大的矩阵的相关信息。
在本申请任一实施例的基础上,各个矩阵的倾向性可以是基于获得各个矩阵时的统计样本数量确定的,或者,在各个矩阵为设备基于信道状态信息参考信号CSI-RS上的干扰信号测量结果获得的干扰噪声的统计协方差矩阵时,各个矩阵的倾向性时基于获得各个矩阵时的信噪比确定的。
例如,在矩阵1与矩阵2合并时,如果获得矩阵1的统计样本数量大于获得矩阵2的统计样本数量,则可将矩阵1作为倾向矩阵,当然如果两个矩阵的统计样本数量相同,则可任意选择一个矩阵作为倾向矩阵即可,这里的统计样本数量可以是指实际应用场景中相关数据的数据量,比如统计样本数量是指计算获得矩阵1或矩阵2时所需要的数据量。
又或者,在矩阵为干扰噪声的统计协方差矩阵时,其倾向性是基于矩阵的信噪比确定的,如信噪比越大倾向性越大,因为信噪比越大,其矩阵中包含的干扰噪声的统计协方差信息越多,也即包含的干扰噪声的信息越小,所以将该矩阵作为倾向矩阵,可以使得获得的合并矩阵中包含更多有用信息以及更少的噪声信息。
可以理解地,在实际应用中,各个矩阵的倾向性的确定方式也可以还有其他方式,如通过人为根据矩阵的准确性来自定义设置,比如可以根据人为经验来判断哪个矩阵的准确性更高,则其倾向性更大,在两个矩阵进行合并时,可以人为标识相应的倾向矩阵。又或者,如果无法根据统计样本数量、信噪比或准确性来确定矩阵的倾向性时,也可以随机任意指定一个倾向矩阵。
在上述实现过程中,按照这种方式来确定矩阵的倾向性,如此可根据实际情况来确定矩阵的可靠性,使得最终的合并结果能够更倾向于可靠性高的矩阵,以获得更准确的合并结果。
在上述任一实施例的基础上,对于参与合并的N个矩阵(这里N可以为大于1的整数),以及上述实施例中需要合并的任意两个矩阵,可以扩展到非零矩阵的维度不同的场景,如上述实施例中的各个矩阵的维度可以是相同的,如果不同,则可采用相应的方式将其整合到维度相同的场景,如开始获取参与合并计算的N个初始矩阵,若N个初始矩阵的维度不同,则确定N个初始矩阵中的最大维度,并将维度未达到最大维度的矩阵进行元素扩充,以使其矩阵的维度达到最大维度,然后获得元素扩充后的N个矩阵,这N个矩阵可按照上述的合并方式进行合并。
比如,通过获取每个矩阵的维度,若某个矩阵的最大维度为40*40,而其余矩阵的维度均小于该最大维度,则针对其余每个矩阵的元素均进行补零扩充,使得其扩充后的维度为40*40,这样扩充后的每个矩阵的维度均是相同的,可便于后续的合并计算。并且,补元素的位置也可以是在矩阵原有元素之前,也可以是在矩阵原有元素之后,也可以是在矩阵的某些元素之间,在实际应用中,其补元素的位置可以根据实际情况来设置。
另外,本申请的合并方案也适用于由于统计样本受限而导致的元素所属计算域也不同的场景,如寻找一个扩域F,使得各个矩阵在其自身的域内定义的计算必可以定义在F中,即扩域F,使得各个矩阵可以在F内表达,之后,可以在F内定义倾向矩阵内积以及其诱导的范数表示形式后,按照上述的方式获得合并系数,然后进行矩阵的合并。
也就是说,若N个矩阵所属的计算域不同,则将计算域为实数域的矩阵转换到复数域,获得复数域的N个矩阵,即采用上述合并方式进行合并的N个矩阵的计算域均是在复数域。比如,N个初始矩阵中有的矩阵为实数域,有的矩阵为复数域,则对复数域的矩阵不进行计算域转换,而对于实数域的矩阵可转换为复数域。这里将矩阵转换到复数域,而不是转换到实数域,是因为如果转换到实数域,则复数域的矩阵则会丢失掉其虚部,即复数域的矩阵转换到实数域会使得部分信息丢失,影响后续的合并结果。
也就是说,最后获得可以采用上述合并方式进行合并的N个矩阵或任意需要合并的两个矩阵均是复数域的,和/或各个矩阵的维度是相同的,如此可便于进行合并计算,有利于提高计算效率。
当然,本申请的方案也可不限定矩阵的维度,如当矩阵的列数或行数的其中一个为1时,可以退化为向量形式进行合并计算,若该行数和列数均为1,则可退化为标量形式进行合并计算。而且,本申请的方案也可不限定实数矩阵或复数矩阵,也可以适用于其他矩阵,如其他非欧几里得域的矩阵,各个矩阵所属的域可以不同、矩阵的维度也可以不同,在进行合并计算时,将其转换到相同域以及相同维度进行处理即可。
在上述实现过程中,通过对矩阵的维度或计算域进行变换后进行合并,如此可使得该合并方法能适用于更多的矩阵合并场景。
在上述任一实施例的基础上,获得合并矩阵后,在不同的应用场景下,合并矩阵可用于进行不同的处理,例如,若上述实施方式中的N个矩阵或上述实施例中需要合并的两个矩阵中的各个矩阵为干扰噪声的统计协方差矩阵时,获得合并矩阵后,还可以根据合并矩阵获取干扰噪声的相关信息,该相关信息包括幅度和/或方向。
可以理解地,合并矩阵是干扰噪声的各个统计协方差矩阵的加权求和结果,也可以认为是干扰噪声的统计协方差矩阵,基于该统计协方差矩阵即可获得干扰噪声的相关信息。如可以将合并矩阵进行特征值分解,得到噪声子空间,然后根据噪声子空间来构造空间谱函数,根据空间谱函数即可得到干扰噪声的幅度和/或方向等信息。
当然,在合并矩阵为其他类型的矩阵时,在不同的应用场景下可根据需求实现不同的处理,在此不一一列举。
另外,本申请的方案可以适用于各种通信***中测量、估计、检测等模块的处理中,比如测量矩阵的直接合并,也可以对测量矩阵进行处理后的合并,如在进行预先幅度调整、矩阵分解、矩阵运输等方案后的结果整合。
本申请提供的合并方案可以以倾向矩阵为基准,根据待合并矩阵中各个矩阵的相关性,来自适应计算合并系数,当一个矩阵与待合并的矩阵方向完全正交时,则较弱倾向性的矩阵将对最终合并结果影响较小,当一个矩阵与待合并的矩阵完全一致时,其合并方案可自动退化为平均合并,如此实现合并系数的自适应调整,而不是设置固定的权重,本方案能够实现矩阵更合理的合并,得到更准确的合并结果,降低对后续处理的影响。
请参照图3,图3为本申请实施例提供的一种数据处理装置300的结构框图,该装置300可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图1方法实施例对应,能够执行图1方法实施例涉及的各个步骤,该装置300具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
可选地,所述装置300包括:
合并系数确定模块310,用于利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,其中,所述倾向矩阵是指两个矩阵中对数据处理结果的准确性正面影响更大的矩阵,所述次倾向矩阵是指所述两个矩阵中除所述倾向矩阵之外的另一个矩阵;
矩阵合并模块320,用于按照所述次倾向矩阵与所述倾向矩阵对应的合并系数将所述两个矩阵进行合并。
可选地,所述合并系数确定模块310,用于计算所述倾向矩阵的范数,并获取该范数定义下所述倾向矩阵与所述次倾向矩阵的内积;根据所述倾向矩阵的范数以及所述内积,计算获得所述倾向矩阵和所述次倾向矩阵对应的合并系数。
可选地,所述合并系数确定模块310,用于对所述倾向矩阵进行特征分解,得到特征向量和特征值;根据所述特征向量,将所述次倾向矩阵向所述倾向矩阵的特征方向上进行投影,获得投影矩阵;根据所述特征值以及所述投影矩阵,计算获得所述倾向矩阵和所述次倾向矩阵对应的合并系数。
可选地,各个矩阵的倾向性是基于获得各个矩阵时的统计样本数量确定的,或者,在各个矩阵为设备基于信道状态信息参考信号CSI-RS上的干扰信号测量结果获得的干扰噪声的统计协方差矩阵时,各个矩阵的倾向性是基于获得各个矩阵时的信噪比确定的。
可选地,通过以下方式对所述两个矩阵进行预处理:获取参与合并计算的两个初始矩阵;若所述两个初始矩阵的维度不同,则确定所述两个初始矩阵中的最大维度,并将维度未达到所述最大维度的矩阵进行元素扩充,以使其矩阵的维度达到所述最大维度,获得元素扩充后的两个矩阵,和/或,若所述两个矩阵所属计算域不同,则将计算域为实数域的矩阵转换到复数域,获得复数域的两个矩阵。
可选地,所述两个矩阵为表征信号相关信息的矩阵或用于进行信号处理的矩阵。
可选地,所述两个矩阵为以下矩阵中的任意一种:
基于CSI-RS上的干扰信号测量结果获得的干扰噪声的统计协方差矩阵;
表征信道天线或数据流相关性的信道协方差矩阵;
信道估计得到的信道响应矩阵;
用于参数或信号降噪的滤波矩阵。
可选地,在所述两个矩阵中的各个矩阵为干扰噪声的统计协方差矩阵时,所述装置300还包括:
矩阵处理模块,用于根据所述合并矩阵获取所述干扰噪声的相关信息,所述相关信息包括幅度和/或方向。
请参照图4,图4为本申请实施例提供的另一种数据处理装置400的结构框图,该装置400可以是电子设备上的模块、程序段或代码。应理解,该装置与上述图2方法实施例对应,能够执行图2方法实施例涉及的各个步骤,该装置400具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
可选地,所述装置400包括:
排序模块410,用于在对N个矩阵进行合并时,将所述N个矩阵按照倾向性由大到小进行排序,获得排序的N个矩阵,其中,所述倾向性表征对数据处理结果的准确性正面影响的大小,N为大于2的整数;
取值模块420,用于将排序的N个矩阵中的第i个矩阵确定为所述次倾向矩阵,并且,i依次从M个公差为1的序列中顺序取值,M为正整数,其中,第1个序列的起始值为2,第M个序列的结束值为N,第j个序列的结束值的取值范围为[2,N],第j+1个序列的起始值的取值范围为[1,N-1],第j+1个序列的起始值小于第j个序列的结束值,j依次取值为1至M;
合并模块430,用于当i第一次取值为2时,将排序的N个矩阵中的第1个矩阵确定为所述倾向矩阵,否则,将第k个矩阵最近一次合并得到的合并矩阵确定为所述倾向矩阵,并按照上述实施例提供的方法对所述倾向矩阵和所述次倾向矩阵进行合并,得到合并矩阵,其中,k为i的上一个取值。
需要说明的是,本领域技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再重复描述。
请参照图5,图5为本申请实施例提供的一种用于执行数据处理方法的电子设备的结构示意图,所述电子设备可以包括:至少一个处理器510,例如CPU,至少一个通信接口520,至少一个存储器530和至少一个通信总线540。其中,通信总线540用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口520用于与其他节点设备进行信令或数据的通信。存储器530可以是高速RAM存储器,也可以是非易失性的存储器(non-volatilememory),例如至少一个磁盘存储器。存储器530可选的还可以是至少一个位于远离前述处理器的存储装置。存储器530中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器510执行时,电子设备执行上述图1或图2所示方法过程。
可以理解,图5所示的结构仅为示意,所述电子设备还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,执行如图1或图2所示方法实施例中电子设备所执行的方法过程。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如,包括:利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,其中,所述倾向矩阵是指两个矩阵中对数据处理结果的准确性正面影响更大的矩阵,所述次倾向矩阵是指所述两个矩阵中除所述倾向矩阵之外的另一个矩阵;按照所述次倾向矩阵与所述倾向矩阵对应的合并系数将所述两个矩阵进行合并。
综上所述,本申请实施例提供一种数据处理方法、装置、电子设备及存储介质,该方法在进行矩阵合并时,通过利用对数据处理结果的准确性正面影响更大的倾向矩阵与另一个次倾向矩阵的相关性来确定合并系数,利用合并系数进行合并,这里可以根据合并中的倾向性,自适应计算出合并系数,使得合并后的结果能够更倾向于倾向矩阵,这里的倾向矩阵可以是指偏差较小或可靠性较高的矩阵,这样可使得最终合并结果的偏差更小、可靠性更高,相比于按照设定权重进行矩阵合并的方式,本方案可以实现矩阵合并过程中的自适应权重调整,合并方式更合理,对后续处理结果的误差影响更小。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种数据处理方法,其特征在于,所述方法包括:
利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,其中,所述倾向矩阵是指两个矩阵中对数据处理结果的准确性正面影响更大的矩阵,所述次倾向矩阵是指所述两个矩阵中除所述倾向矩阵之外的另一个矩阵;
按照所述次倾向矩阵与所述倾向矩阵对应的合并系数将所述两个矩阵进行合并;
其中,所述利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,包括:
计算所述倾向矩阵的范数,并获取该范数定义下所述倾向矩阵与所述次倾向矩阵的内积;
根据所述倾向矩阵的范数以及所述内积,计算获得所述倾向矩阵和所述次倾向矩阵对应的合并系数;
或者,所述利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,包括:
对所述倾向矩阵进行特征分解,得到特征向量和特征值;
根据所述特征向量,将所述次倾向矩阵向所述倾向矩阵的特征方向上进行投影,获得投影矩阵;
根据所述特征值以及所述投影矩阵,计算获得所述倾向矩阵和所述次倾向矩阵对应的合并系数。
2.根据权利要求1所述的方法,其特征在于,通过以下方式对所述两个矩阵进行预处理:
获取参与合并计算的两个初始矩阵;
若所述两个初始矩阵的维度不同,则确定所述两个初始矩阵中的最大维度,并将维度未达到所述最大维度的矩阵进行元素扩充,以使其矩阵的维度达到所述最大维度,获得元素扩充后的两个矩阵,和/或,若所述两个矩阵所属计算域不同,则将计算域为实数域的矩阵转换到复数域,获得复数域的两个矩阵。
3.根据权利要求1所述的方法,其特征在于,所述两个矩阵为表征信号相关信息的矩阵或用于进行信号处理的矩阵。
4.一种数据处理方法,其特征在于,所述方法包括:
在对N个矩阵进行合并时,将所述N个矩阵按照倾向性由大到小进行排序,获得排序的N个矩阵,其中,所述倾向性表征对数据处理结果的准确性正面影响的大小,N为大于2的整数;
将排序的N个矩阵中的第i个矩阵确定为所述次倾向矩阵,并且,i依次从M个公差为1的序列中顺序取值,M为正整数,其中,第1个序列的起始值为2,第M个序列的结束值为N,第j个序列的结束值的取值范围为[2,N],第j+1个序列的起始值的取值范围为[1,N-1],第j+1个序列的起始值小于第j个序列的结束值,j依次取值为1至M;
当i第一次取值为2时,将排序的N个矩阵中的第1个矩阵确定为所述倾向矩阵,否则,将第k个矩阵最近一次合并得到的合并矩阵确定为所述倾向矩阵,并按照权利要求1-3任一所述的方法对所述倾向矩阵和所述次倾向矩阵进行合并,得到合并矩阵,其中,k为i的上一个取值。
5.一种数据处理装置,其特征在于,所述装置包括:
合并系数确定模块,用于利用次倾向矩阵与倾向矩阵之间的相关性,确定所述次倾向矩阵与所述倾向矩阵对应的合并系数,其中,所述倾向矩阵是指两个矩阵中对数据处理结果的准确性正面影响更大的矩阵,所述次倾向矩阵是指所述两个矩阵中除所述倾向矩阵之外的另一个矩阵;
矩阵合并模块,用于按照所述次倾向矩阵与所述倾向矩阵对应的合并系数将所述两个矩阵进行合并;
其中,所述合并系数确定模块,具体用于:
计算所述倾向矩阵的范数,并获取该范数定义下所述倾向矩阵与所述次倾向矩阵的内积;根据所述倾向矩阵的范数以及所述内积,计算获得所述倾向矩阵和所述次倾向矩阵对应的合并系数;
或者,对所述倾向矩阵进行特征分解,得到特征向量和特征值;根据所述特征向量,将所述次倾向矩阵向所述倾向矩阵的特征方向上进行投影,获得投影矩阵;根据所述特征值以及所述投影矩阵,计算获得所述倾向矩阵和所述次倾向矩阵对应的合并系数。
6.一种数据处理装置,其特征在于,所述装置包括:
排序模块,用于在对N个矩阵进行合并时,将所述N个矩阵按照倾向性由大到小进行排序,获得排序的N个矩阵,其中,所述倾向性表征对数据处理结果的准确性正面影响的大小,N为大于2的整数;
取值模块,用于将排序的N个矩阵中的第i个矩阵确定为所述次倾向矩阵,并且,i依次从M个公差为1的序列中顺序取值,M为正整数,其中,第1个序列的起始值为2,第M个序列的结束值为N,第j个序列的结束值的取值范围为[2,N],第j+1个序列的起始值的取值范围为[1,N-1],第j+1个序列的起始值小于第j个序列的结束值,j依次取值为1至M;
合并模块,用于当i第一次取值为2时,将排序的N个矩阵中的第1个矩阵确定为所述倾向矩阵,否则,将第k个矩阵最近一次合并得到的合并矩阵确定为所述倾向矩阵,并按照权利要求1-3任一所述的方法对所述倾向矩阵和所述次倾向矩阵进行合并,得到合并矩阵,其中,k为i的上一个取值。
7.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,运行如权利要求1-4任一所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-4任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945441.3A CN115314345B (zh) | 2022-08-08 | 2022-08-08 | 数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210945441.3A CN115314345B (zh) | 2022-08-08 | 2022-08-08 | 数据处理方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115314345A CN115314345A (zh) | 2022-11-08 |
CN115314345B true CN115314345B (zh) | 2023-03-21 |
Family
ID=83860423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210945441.3A Active CN115314345B (zh) | 2022-08-08 | 2022-08-08 | 数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115314345B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110611626A (zh) * | 2018-06-15 | 2019-12-24 | 上海华为技术有限公司 | 信道估计方法、装置及设备 |
CN111443897A (zh) * | 2020-03-30 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及存储介质 |
CN114629754A (zh) * | 2022-05-13 | 2022-06-14 | 成都爱瑞无线科技有限公司 | 干扰噪声均衡方法、***及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8599969B2 (en) * | 2009-08-13 | 2013-12-03 | Qualcomm Incorporated | Communications channel estimation |
US10461962B2 (en) * | 2015-12-18 | 2019-10-29 | Intel IP Corporation | Communication terminal and method for channel estimation |
CN113271130B (zh) * | 2018-05-11 | 2024-04-09 | 华为技术有限公司 | 信道估计方法和装置 |
WO2022091228A1 (ja) * | 2020-10-27 | 2022-05-05 | 日本電気株式会社 | 固有値分解装置、無線通信装置、方法及び非一時的なコンピュータ可読媒体 |
-
2022
- 2022-08-08 CN CN202210945441.3A patent/CN115314345B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110611626A (zh) * | 2018-06-15 | 2019-12-24 | 上海华为技术有限公司 | 信道估计方法、装置及设备 |
CN111443897A (zh) * | 2020-03-30 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置及存储介质 |
CN114629754A (zh) * | 2022-05-13 | 2022-06-14 | 成都爱瑞无线科技有限公司 | 干扰噪声均衡方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115314345A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105825200B (zh) | 基于字典学习和结构稀疏表示的高光谱异常目标检测方法 | |
Swirszcz et al. | Grouped orthogonal matching pursuit for variable selection and prediction | |
Wang | Factor profiled sure independence screening | |
CN108387864B (zh) | 一种到达角计算方法及装置 | |
Yin | Canonical correlation analysis based on information theory | |
Lois et al. | Online matrix completion and online robust PCA | |
CN109633538B (zh) | 非均匀采样***的最大似然时差估计方法 | |
CN114268388B (zh) | 一种在大规模mimo中基于改进gan网络的信道估计方法 | |
CN107450047A (zh) | 嵌套阵下基于未知互耦信息的压缩感知doa估计方法 | |
CN108768567B (zh) | 一种多径分簇方法、装置、电子设备及可读存储介质 | |
CN104199029B (zh) | 一种提高压缩感知雷达目标成像性能的测量矩阵设计方法 | |
Shutin et al. | Incremental sparse Bayesian learning for parameter estimation of superimposed signals | |
CN110932807B (zh) | 一种非高斯噪声下mimo***的频谱感知方法及*** | |
CN110174658B (zh) | 基于秩一降维模型和矩阵补全的波达方向估计方法 | |
CN104734724B (zh) | 基于重加权拉普拉斯稀疏先验的高光谱图像压缩感知方法 | |
Chiancone et al. | Student sliced inverse regression | |
CN115314345B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
US20230353426A1 (en) | Channel Estimation for an Antenna Array | |
CN108896967B (zh) | 基于杂波协方差矩阵估计的距离扩展目标检测方法及装置 | |
CN109991578A (zh) | 基于盲压缩核字典学习的多分量雷达信号调制识别方法 | |
Khare et al. | A convex framework for high-dimensional sparse Cholesky based covariance estimation | |
CN116319190A (zh) | 基于gan的大规模mimo***信道估计方法、装置、设备及介质 | |
Gonzalez et al. | Robust clustering using tau-scales | |
Miller et al. | Independent components analysis by direct entropy minimization | |
CN115270891A (zh) | 一种信号对抗样本的生成方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |